随着信息技术的快速发展,互联网用户量和信息量规模不断扩大,海量的信息资源导致了信息过载。推荐系统是解决信息过载的有效方法。但是,现有的推荐系统仍存在稀疏性、冷启动等问题。为此,本文首先提出一种基于Bhattacharyya系数的相似度计算方法,来解决推荐系统中的数据稀疏问题;接着,提出基于标签感知的混合神经网络模型,来解决标签推荐中存在的稀疏、冗余和语义模糊问题,同时缓解了冷启动问题;最后,结合上述两种方法搭建一个完整的个性化推荐系统,实现对用户的个性化电影推荐。本文主要工作如下:（1）针对传统协同过滤算法在相似度计算时存在数据稀疏的问题,本文提出了基于Bhattacharyya系数的相似度计算方法。首先,通过项目评分分类标准对项目评分等级进行分类,实现同类别项目之间相似度的快速计算,有效降低计算成本;接着,利用Bhattacharyya系数实现从概率分布的角度计算项目相似度,打破了共同评分项目的限制;最后,考虑到不同项目之间相似度计算结果的重复性问题,引入了共同评分项目增强函数,进一步对相似度计算方法加以优化。实验结果表明,相较于现有相似度计算方法,改进的相似度计算能够有效地解决推荐过程中数据稀疏性问题,提高了推荐准确率。（2）针对推荐系统中的异构信息融合问题,本文提出了基于标签感知的混合神经网络推荐模型（Hybrid Tag-aware Recommender Model,HTRM）。首先,词嵌入模型分别对评分和标签进行嵌入表示;接着,自编码器对项目标签进行文本特征提取,同时使用长短期记忆网络（Long Short-Term Memory,LSTM）对用户标签行为进行特征提取;最后,采用全连接神经网络对融合的用户和项目特征进行评分预测。实验结果显示,优化的推荐模型有效降低了用户评分预测误差,同时缓解了冷启动问题。（3）基于上述研究,本文利用B/S架构实现个性化电影推荐系统,其基本结构包括系统前端和后端。具体地,前端采用Vue框架开发,通过浏览器向用户进行界面展示;后端业务主要使用Spring框架实现。核心推荐引擎部分分别采用基于Bhattacharyya系数相似度计算的协同过滤和HTRM,设计了离线推荐服务和实时推荐服务,实现对用户的个性化电影推荐。